CN112016238B - 基础继电器失效预测技术 - Google Patents

基础继电器失效预测技术 Download PDF

Info

Publication number
CN112016238B
CN112016238B CN202010469070.7A CN202010469070A CN112016238B CN 112016238 B CN112016238 B CN 112016238B CN 202010469070 A CN202010469070 A CN 202010469070A CN 112016238 B CN112016238 B CN 112016238B
Authority
CN
China
Prior art keywords
relay
failure
variables
base
base relay
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010469070.7A
Other languages
English (en)
Other versions
CN112016238A (zh
Inventor
塞巴斯蒂安·海因里希
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Phoenix Contact GmbH and Co KG
Original Assignee
Phoenix Contact GmbH and Co KG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Phoenix Contact GmbH and Co KG filed Critical Phoenix Contact GmbH and Co KG
Publication of CN112016238A publication Critical patent/CN112016238A/zh
Application granted granted Critical
Publication of CN112016238B publication Critical patent/CN112016238B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明涉及一种基础继电器(100)失效预测技术(200)，该技术(200)包括如下步骤：在所述基础继电器(100)的若干次切换中，检测(201)该基础继电器(100)的可测量的继电器变量和负载变量(310)；根据机器学习算法(321)对所检测的继电器变量和负载变量(310)进行的加权，确定所述基础继电器(100)的特性值(330)，其中，该特性值(330)指明所述基础继电器(100)在各次切换中的功能状态；以及根据所确定的特性值(330)，确定(203)所述基础继电器(100)的失效概率(370)。

Description

基础继电器失效预测技术
技术领域
本发明涉及基础继电器失效预测技术，尤其涉及一种方法和相应装置。
背景技术
基础继电器的可靠性通过符合DIN EN 61810-2-1的实验室试验评测。关键参数为10％待测继电器失效时的切换次数(“B10值”)。此类试验通常在三种标准的交直流负载下进行。由于不知操作人员在哪一负载下使用继电器，因此将当中的最小测定值作为“B10值”。在客户提出要求时，通常会直接收到具体的“B10值”。然而，依据此类“B10值”，无法实现针对具体继电器和具体应用的失效预测。继电器的操作人员可能会自行确定切换次数，并提早更换所有继电器。如此，会发生不必要的切换次数浪费，并始终导致提前报废问题。
发明内容
本发明的目的在于更好地预测基础继电器的失效。本发明的目的尤其在于提供一种可通过对基础继电器进行失效预测而使得操作人员能够采取更换相应继电器等的必要措施的技术。
这一目的由具备独立权利要求技术特征的技术方案实现。各优选实施方式见从属权利要求、说明书及附图技术方案。
本发明基于继电器的失效会以可测继电器变量和负载变量的变化而自行显露这一构思。通过对此类信号进行测量和评价，可以及时识别出即将发生的失效，并可提前更换继电器。
本申请所述的继电器或基础继电器为一种以电磁方式操作并以电磁方式作用的远程操作开关，一般具有两个切换位置。该继电器通过控制电路启动，并可对其他电路进行切换。
以下所述方法和装置基于机器学习方法或机器学习模型。此类“机器学习模型”本质上仅是一种数学函数(通常为巨型函数)。所有用于预测的相关数据(即所谓的“特征”)均作为参数输入，以获得作为输出的预测值。例如，如本发明所述，所述机器学习模型可以为根据可用传感器数据预测机器剩余使用寿命的模型，或者为根据可测量来预测继电器等的电子器件的失效概率的模型。
在训练过程中，模型内的权重值自动更改，从而越来越提高在特征与预测之间建立所需关系的能力。与此同时，模型的基本架构(即模型函数的结构)在训练过程中保持不变。该基本架构通常由具有相应能力的人员选择，而且每种模型架构均带有自己的一套参数。举例而言，神经网络可根据单元和“隐藏层”的数量和排列方式设置，线性回归可根据多项式阶数设置。在整个训练过程中保持不变的参数称为超参数，而超参数的所有可能组合构成的集合称为参数空间。由于超参数对模型的准确性具有重要影响，因此超参数的优化是模型开发的重要步骤，并且成为能否提高预测准确性的一项重要因素。
根据第一方面，上述目的由一种基础继电器失效预测的方法实现，该方法包括如下步骤：在所述基础继电器的若干次切换中，检测该基础继电器的可测量的继电器变量和负载变量；根据机器学习算法对所检测的继电器变量和负载变量进行的加权，确定所述基础继电器的特性值，该特性值指明所述基础继电器在各次切换中的功能状态；以及根据所确定的特性值，确定所述基础继电器的失效概率。
如此，所实现的技术优点在于，能够更好地预测所述基础继电器的失效。通过机器学习算法对所检测的继电器变量和负载变量进行的加权，能够以合适的方式对所述基础继电器进行监测，从而可确定该继电器各次切换时的功能状态。根据以这种方式获得的特性值，能够确定合适的失效概率结论。基础继电器的特性会随着老化而发生变化，而此类变化能够提供与继电器可能或即将发生的失效有关的信息。
因此，该方法为继电器操作人员提供了一种合适的技术，利用该技术，继电器操作人员能够及时发觉基础继电器的失效，并及时采取更换相应继电器等必要措施。
一次切换是指电开关的切换状态经历一次完整的变化并恢复至起始位置的过程：从“关”至“开”，然后再到“关”；或从“开”至“关”，然后再到“开”。最大切换次数为一种统计值，由制造商确定。该参数是指在额定负载条件下开关触点的损耗达到无法继续保证可靠连接或断开的程度前允许的开关操作次数。
在一种有利实施方式中，该方法包括如下步骤：根据所述特性值相对于切换次数的变化，确定基础继电器的失效概率。
如此，所实现的技术优点在于，能够有效确定失效概率。所述特性值随继电器的使用时间而变化，即随继电器已经历的切换操作次数变化。通过监测继电器特性值随时间的变化，能够获得与继电器使用时间相关的合适结论，从而能够获得与失效概率相关的合适结论。
在该方法的一种有利实施方式中，所述机器学习算法是基于包括基础继电器在各种切换操作次数下的继电器变量和负载变量的数据库，以及所述基础继电器的继电器变量和负载变量是基于包括不同负载和继电器类型的记录。
如此，所实现的技术优点在于，通过各种不同的切换次数，能够记录基础继电器的可测量的整个状态空间，并将其存于数据库中，从而为机器学习算法提供大量的数据。如此，机器学习算法能够极为精确地确定与继电器失效相关的参数，从而使得该方法能够确定极为精确的失效概率。
在该方法的一种有利实施方式中，所述数据库进一步包括与各种负载和继电器类型下的基础继电器失效时切换次数、失效类型和/或失效原因相关的信息。
如此，所实现的技术优点在于，所述参数能够以合适方式与失效原因、失效类型及切换次数相关联，从而全面地提供与基础继电器可能发生的失效相关的情况。
在一种有利实施方式中，该方法包括如下步骤：根据与所述基础继电器的失效时切换次数、失效类型和/或失效原因相关的信息，识别所述特性值；以及确定根据所述可测量的所述继电器变量和负载变量生成所述特性值的第一传递函数。
如此，所实现的技术优点在于，利用所述第一传递函数，能够易于确定所述特性值，并可将其有效推广至其他可测继电器变量和负载变量。
在该方法的一种有利实施方式中，所述特性值与基础继电器的失效原因和/或类型相关，并且/或者在失效前发生变化，该特性值尤其包括基础继电器的接触噪声、基础继电器的线圈电流的波动以及/或者基础继电器的切换时间。
如此，所实现的技术优点在于，所述特性值能够直接提供与失效或失效概率有关的信息。
具体而言，基础继电器的接触噪声、基础继电器的线圈电流的波动及基础继电器切换时间等的变量的测量值能够使基础继电器的失效得到有效预测。负载触点处的触点电压为负载触点老化程度的一项良好指标。在新负载触点的情况下，由于新按钮的质地均匀，因此当继电器接通时，负载触点一般会从高的开路电压迅速过渡至0V的短路电压。随着老化的进行，触点开始发生腐蚀或变脆，使得触点电压过渡时的电流传导性越来越差。也就是说，在接通时，可能无法稳定地从开路电压过渡至短路电压。根据这一现象，能够对触点或继电器的老化做出精确的判断，并且能够依据老化程度预测失效概率。触点或继电器的老化程度越高，越有可能随时发生失效。触点电压噪声为负载触点处的电压跃迁特性，通过该特性，能够推断出负载触点的腐蚀或变脆程度，并从而推断出继电器的老化程度及其失效概率。这些特性同样适用于基础继电器的线圈电流的波动和/或基础继电器的切换时间。
在一种有利实施方式中，该方法包括如下步骤：通过对所检测的继电器变量和负载变量进行降维来生成通用变换规则，所述通用变换规则用于根据所述基础继电器的未包含于所检测的继电器变量和负载变量中的新继电器变量和负载变量，生成该基础继电器的特性值。
如此，所实现的技术优点在于，所述通用变换规则使得该方法具有良好的普适性。通过降维，状态空间能够以合适的方式缩减至同样适用于新继电器变量和负载变量的基本特性。
在该方法的一种有利实施方式中，所述通用变换规则的生成包括如下步骤：确定所检测的继电器变量和负载变量的状态空间；将所述状态空间变换至降维状态空间；以及根据所述降维状态空间，确定所述通用变换规则。
如此，所实现的技术优点在于，通过缩减所述状态空间的大小，可减小该方法的计算难度，从而能够更快地获得失效概率结论。此外，还可以降低所使用硬件或软件的复杂度。
在一种有利实施方式中，该方法包括如下步骤：根据所述特性值，确定指明所述基础继电器的多个分类特定(classification-specific)的失效概率的第二传递函数，每一个该第二传递函数均是基于所述特性值的不同的分类。
使用由多种分类方法构成的成套分类方法可实现使得预测系统具有可扩展性的技术优点。如此，当未来发现能够找出新的失效原因或能够提高现有预测的可靠度的重要参数时，能够将相应分类方法添加到所述成套分类方法中。
如此，所实现的技术优点在于，通过使用多种分类方法，能够从不同角度进行特性值的加权，从而使得所述第二传递函数能够提高该方法的准确性。
在一种有利实施方式中，该方法包括如下步骤：从成套预定分类方法中选择用于确定所述第二传递函数的相应的分类方法。
如此，所实现的技术优点在于，能够选择到对失效检测尤为重要的相关分类，以将其用于失效概率的确定，从而提高失效预测的准确性。
在一种有利实施方式中，该方法包括如下步骤：根据基础继电器的多个分类特定的失效概率，确定判定函数，该判定函数将所述多个分类特定的失效概率映射至所得失效概率。
如此，所实现的技术优点在于，可根据更广泛的分类特定的默认概率做出判定。其中，可用选项越多，即分类特定的默认概率越多，所述判定变越精确。
在一种有利实施方式中，该方法包括如下步骤：根据多个超参数，对所述判定函数进行参数化。
如此，所实现的技术优点在于，通过超参数的参数化，可以将该方法有效地普适化，从而使得其能够应用至尚未使用过的数据集等的其他数据，以使其获得更为精确的失效概率。
在一种有利实施方式中，所述多个超参数包括：所得失效概率的限值；用于判定“失效”或“未失效”结论的连续预测次数；以及判定“失效”所需的平均连续预测次数。
如此，所实现的技术优点在于，当根据此类变量设置所述超参数时，可以缩短基础继电器模型的学习时间。当此类参数的选择适当时，可以提高系统的失效预测性能和学习速度。
在一种有利实施方式中，该方法包括如下步骤：根据基础继电器的多次切换所得的第一数据记录中的切换次数，确定所述多个超参数；以及相对于优化基准，调节所述多个超参数至符合基础继电器多次切换所得的第二数据集，其中，所述优化基准是基于基础继电器的失效漏检次数和平均剩余使用寿命。
如此，所实现的技术优点在于，可以通过合适选择的超参数，以所测量的变量的第一数据集进行失效预测训练，并可通过所测量的变量的第二数据集进行失效预测的优化。
在一种有利实施方式中，该方法包括如下步骤：以继电器变量和负载变量训练数据集运行该方法；根据与所述基础继电器的失效漏检次数和平均剩余使用寿命有关的优化基准，调节所述训练数据集的机器学习算法；以及以不同于所述训练数据集的继电器变量和负载变量试验数据集，验证该方法。
如此，所实现的技术优点在于，能够以所测量的变量的训练数据集训练所述机器学习算法，并能够以所测量的变量的试验数据集验证所述机器学习算法。例如，所述训练数据记录可源自实验室试验，而所述试验数据记录可源自现场试验，或源自其他实验室试验。
根据第二方面，上述目的由一种基础继电器失效预测装置实现，该装置包括检测装置，该检测装置用于在所述基础继电器的若干次切换中，检测该基础继电器的可测量的继电器变量和负载变量；以及确定装置，该确定装置用于根据机器学习算法对所检测的继电器变量和负载变量进行的加权，确定所述基础继电器的特性值，其中，该特性值指明所述基础继电器在各次切换中的功能状态，并用于根据所确定的特性值，确定所述基础继电器的失效概率。
如此，所实现的技术优点在于，能够以该装置更好地预测所述基础继电器的失效。通过机器学习算法对所检测的继电器变量和负载变量进行的加权，能够以合适的方式对所述基础继电器进行监测，从而可确定该继电器各次切换时的功能状态。根据以这种方式获得的特性值，能够确定合适的失效概率结论。基础继电器的特性会随着老化而发生变化，而此类变化能够提供与继电器可能或即将发生的失效有关的信息。
根据第三方面，上述目的由一种计算机可读非易失性介质实现，该介质存有计算机指令，该指令在由计算机执行时，使得该计算机实施根据第一方面的方法。
根据第四方面，上述目的由一种计算机程序实现，该计算机程序具有程序代码，该程序代码在运行于计算机或处理器上时，执行根据第一方面的方法。
附图说明
以下，参考附图，描述其他例示实施方式。附图如下：
图1：具有转换触点的基础继电器100的电路图；
图2：根据本发明的基础继电器100的失效预测方法200的示意图；
图3：根据一种实施方式的基础继电器100的失效预测方法300；
图4：根据一种实施方式在基础继电器100失效预测方法400中进行算法调节和验证的示意图；
图5：根据本发明的基础继电器100的失效预测装置500的示意图。
具体实施方式
以下详细描述参考附图，附图作为本文的一部分，以说明目的展示了本发明可得以实施的具体实施方式。毋庸赘言，在不脱离本发明构思的前提下，还可使用其他实施方式，或者在结构或逻辑上做出改变。因此，以下详细描述不应视为具有限制意义。此外，毋庸赘言，除非另有特别说明，否则本文描述的各种例示实施方式的技术特征能够相互组合。
以下，参照附图，描述各个方面的实施方式。附图中，类似附图标记一般指代类似元件。
在以下描述的装置和方法中，可以理解的是，各装置的基本特性也适用于各个方法，反之亦然。因此，为了简洁起见，此类特性并不重复描述。
图1为具有转换触点或负载触点102的基础继电器100的一种电路图呈现形式。基础继电器100包括用于切换负载电路103的负载触点102的开关101以及用于驱动105开关101的励磁线圈104。励磁线圈104可例如通过在线圈104的两个触点106上施加电压的方式励磁或激励。随后，将生成磁场，该磁场向开关101施加作用力，使得负载触点102发生切换，从而将包含负载108的负载电路103打开。所述作用力可例如通过衔铁(未图示)施加。当所述电压从线圈104的两个触点106转而施加至别处或者停止施加于其上时，开关101恢复其起始位置(如图1所示)，从而将负载触点102及负载电路103断开。在所述接通过程中，负载触点102上的触点电压107经历一个降低过程，即从开路电压转变至接近于零的短路电压。
基础继电器100可例如设计为机械式继电器。机械式继电器通常根据电磁体原理工作。励磁线圈内的电流产生穿过铁磁芯以及以可移动方式安装于其上的铁磁电枢(或衔铁)的磁通量。电枢受到空气间隙处作用力的作用，该作用力使得电枢对一个或多个触点进行切换。一旦线圈不再励磁，电枢将在弹簧力的作用下立刻恢复起始位置。
图2为根据本发明的基础继电器100的失效预测方法200的一种示意性呈现形式。该基础继电器例如为图1所示的基础继电器100。也就是说，其包括用于切换负载电路103的负载触点102的开关101以及用于驱动105开关101的励磁线圈104。
方法200包括如下步骤：通过基础继电器100的若干次切换，检测201基础继电器100的可测继电器变量和负载变量；根据依机器学习算法对所检测的继电器变量和负载变量的加权情况，确定202基础继电器100的特性值，这些特性值指明基础继电器100在各次切换中的功能状态；以及根据所确定的特性值，确定203基础继电器100的失效概率。基础继电器100的可测继电器变量和负载变量可例如对应于源自图3所示应用程序的原始数据310，如k次切换的测量数据311和/或包括继电器类型、生产数据等在内的其他数据312。基础继电器100的特性值可例如对应于图3所示基础继电器100的特性值330。所述机器学习算法可例如对应于图3所示的机器学习算法321。基础继电器100的失效概率可例如对应于图3所示的失效概率370。
在一种例示实施方式中，方法200包括如下步骤：根据特性值330相对于切换次数的变化，确定203基础继电器100的失效概率370。
在一种例示实施方式中，机器学习算法321基于含有基础继电器100的不同切换次数下的继电器变量和负载变量310的数据库，而基础继电器100的继电器变量和负载变量310基于含有不同负载108和继电器类型的记录。以下，结合图3，对此进行进一步详细描述。
在一种例示实施方式中，数据库还包括与基础继电器100在不同负载108及继电器类型下的失效时切换次数、失效类型和/或失效原因相关的信息。
在一种例示实施方式中，方法200包括：根据与基础继电器100的失效时切换次数、失效类型和/或失效原因相关的信息，识别特性值330；以及根据可测继电器变量和负载变量310确定生成特性值330的第一传递函数320。以下，结合图3，对此进行进一步详细描述。
特性值330可与基础继电器100的失效原因和/或类型相关，并且/或者可在失效前发生改变。特性值330可例如包括基础继电器100的接触噪声，基础继电器100的线圈电流波动以及/或者基础继电器100的切换时间。
在一种例示实施方式中，方法200包括：通过对所检测的继电器变量和负载变量310进行降维来生成通用变换。这些通用变换规则用于根据基础继电器100的未包含于所检测的继电器变量和负载变量310中的新继电器变量和负载变量生成基础继电器100的特性值330。以下，结合图3，对此进行进一步详细描述。
在一种例示实施方式中，生成通用变换包括如下步骤：确定所检测的继电器变量和负载变量310的状态空间；将所述状态空间变换至降维状态空间；以及根据所述降维状态空间，确定所述通用变换。以下，结合图3，对此进行进一步详细描述。
在一种例示实施方式中，方法200包括：根据特性值330，确定指明基础继电器100的多个分类特定的失效概率的第二传递函数340。这方面的进一步细节例如如以下结合图3所述。每一个第二传递函数340可基于特性值330的不同的分类。
在一种实施方式中，方法200包括：选择相应分类方法341，以从成套预定分类方法341中确定第二传递函数340。这方面的进一步细节例如如以下结合图3所述。
在一种例示实施方式中，方法200包括：根据基础继电器100的所述多个分类特定的失效概率351确定判定函数361，其中，判定函数361将所述多个分类特定的失效概率351对应至失效概率370。这方面的进一步细节例如如以下结合图3所述。
在一种实施方式中，方法200包括：根据多个超参数，将判定函数361参数化。这方面的进一步细节例如如以下结合图3所述。
所述多个超参数可包括：失效概率限值370；用于判定“失效”或“未失效”371结论的连续预测次数；以及判定“失效”370所需的平均连续预测次数。
在一种实施方式中，方法200包括：例如，如以下结合图4所述，根据基础继电器100的多次切换所得的第一数据记录410中的切换次数，确定所述多个超参数；以及，例如，如以下结合图4所述，相对于优化基准403，调节所述多个超参数，以使其符合基础继电器100多次切换所得的第二数据集420。优化基准403可例如基于基础继电器100失效漏检次数以及平均剩余使用寿命。这方面例如如以下结合图3和图4所述。
在一种例示实施方式中，方法200包括：例如，如以下结合图4所述，以继电器变量和负载变量310的训练数据记录410运行方法200；如以下结合图4所述，根据优化基准，就基础继电器100的失效漏检次数和平均剩余使用寿命，调节训练数据记录410的机器学习算法321；以及以不同于训练数据集410的继电器变量和负载变量310的试验数据集420验证方法200。
以下，参考图3和图4，进一步详细描述方法200的例示实施方式。
图3为根据一种实施方式的基础继电器100的失效预测方法300的示意图。
方法300包括：如以上结合图2所述，通过基础继电器100的若干次切换，检测201基础继电器100的可测继电器变量和负载变量310。可测继电器变量和负载变量310可对应于源自所述应用程序的原始数据310，并包括k次切换的测量数据311。此外，还可将继电器类型数据、生产数据等记录为其他数据312。继电器100和负载电路103的所有可测变量均可理解为所述可测继电器变量和负载变量310。这些变量可以为继电器100的线圈104或继电器100的开关101的电流或电压，或者为负载电路103的电流或电压，如负载阻抗108或负载触点102上的电流或电压。
方法300还包括：根据依机器学习算法321对所检测的继电器变量和负载变量310的加权情况，确定202基础继电器100的特性值330，这些特性值330指明基础继电器100在各次切换中的功能状态。除机器学习算法321之外，特性值330的确定中还可使用含有继电器专业知识322的数据库。源自所述应用程序的原始数据310或可测继电器变量和负载变量310可通过第一传递函数320变换为特性值330。
方法300还包括：根据所确定的特性值330，确定203基础继电器100的失效概率370。为了实现这一目的，通过将不同分类方法或成套分类方法341应用至特性值330，确定不同的分类特定的失效概率PA351，并将这些概率存储于存储器中，如存储于大小为N的FIFO缓冲器中。其中，通过第二传递函数340，将特性值330变换为分类特定的默认概率PA351。在另一步骤360中，通过判定函数(或称结果判定函数)361从分类特定的默认概率PA351中确定结果变量370，即确定失效概率370，也就是说，判定基础继电器100“失效”或“未失效”371。
以下，对用于执行图3所示方法300的组成要素的各种例示实施方式进行描述。
在寿命试验之前，先对继电器进行电气测量。针对不同负载和继电器类型的寿命试验在实验室中进行。其中，在每次切换(开/关)中，均记录继电器信号和负载信号311。试验中，还确定失效时切换次数、失效类型及失效原因。
随后，进行数据分析。其中，通过迭代过程：(a)根据每次切换的数据310，确定特性值330；(b)确定其与失效的关系。(a)的结果为一个或多个传递函数320，本文中也称第一传递函数320，这些函数将切换操作的数据310作为输入变量，并将相关特性值330作为输出变量。(b)的结果为第二传递函数340，该函数根据特性值集计算各次切换的失效概率351。
在确定特性值330时，还可通过将相继“k”次切换的数据310进行组合以形成特性值集。
特性值330可通过多种不同的方法生成。每一方法均生成其自身的特性值330，而所有特性值330构成特性值集。
特性值330的生成方法基于机器学习算法321和专业知识322。
机器学习算法321(如降维方法)用于生成通用的稳健变换320，这些变换还能够用于实验室试验所得训练数据之外的新波形，也就是说，具有良好的普适性。
根据训练数据，可通过合适的方法(如“主成分分析”法、神经网络法等)确定信号的状态空间。随后，将所述信号变换至维数缩减后的状态空间，这一过程可能会遗失部分信息(尽可能少)。借助于所学习到的变换规则320，能够以更少的测量点(如10个)及足够高的精度，对信号(如200个测量点)进行近似处理。
“主成分分析”(PCA)(即同时称为主轴变换法或奇异值分解法的数学方法)为一种多元统计方法。该方法用于通过以意义尽可能重大的少量线性组合(所谓的“主成分”)对大量统计变量进行近似处理而对海量数据集进行组织、简化和阐明。
借助专业知识322，可识别出可能与失效原因相关或在失效前发生变化的特性值330，例如：接触噪声；线圈电流波动；切换时间等。用于根据信号310生成所述特性值的变换函数320既可通过手动编程获得，也可通过以机器学习算法321进行学习而获得。
与失效的关联性通过“随机森林树”等的各种分类方法341找出。迭代优化过程的目标在于选出合适的处理方式，并采用最佳(处理)参数。其中，多种分类方法可相互协作，形成成套分类方法341。
“随机森林树”为一种由相互间无关联的多个判定树构成的分类过程。在学习过程中，所有判定树均在某一随机处理类型下生长。对于某一分类方法，森林中的每一颗判定树均可做出判定，并将得分最多的分类方法选为最终方式。随机森林树还可用于回归处理。
在最终步骤(c)360中，生成更高级别的判定函数361。其中，输入变量为(b)所获得的“N”个默认概率351，而输出值为二元变量：“失效”或“未失效”371。这一判定函数的所谓超参数为：(I)失效概率GW_PA的限值(如：>80％为“失效”)；(II)用于判定“失效”或“未失效”371结论的连续预测次数N；以及判定失效所需的“N”次预测的平均MW(如50％)。这些超参数既可通过统计方式获得，也可根据若干次操作获得。
超参数为可供函数行为参数化的变量。在机器学习领域，超参数为学习过程开始之前便已具有设定值的参数。非超参数的其他参数的值均通过训练获得。不同模型训练算法要求使用不同的超参数。训练算法利用超参数进行数据学习，从而获得其他参数。
在一种实施例(静态)中，上述超参数选择如下：GW_PA＝70％；N＝100；MW＝50％。其中，成套分类法(b)341先计算出100个特性值集的100个默认概率351，然后将这些概率传递给判定函数361。所有大于70％的概率351对应于“失效”，而其他概率对应于“未失效”。当平均值大于50％时，判定函数361的结果370为“失效”，否则为“未失效”。
上述超参数通过训练数据记录410(见图4)被优化403。其中，先以实际记录的寿命运行模拟运算，直至判定函数361针对某次切换的预测结果为“失效”，然后将相应的切换次数与继电器的实际失效时切换次数相比较。
预测失效时切换次数与实际失效时切换次数之差记录为“剩余使用寿命”。当继电器在使用寿命试验中失效，则判定函数361未给出“失效”这一预测结果时，则该继电器的失效视为“漏检”。
超参数优化中的重要一点为找出失效漏检次数与平均剩余使用寿命之间的折衷点。这一折衷点由一个度量值(或多个此类度量值)以数学方式表示。
通过根据切换次数确定超参数，能够针对使用寿命，调节失效预测的灵敏度。在开始时，失效概率较低，判定函数361应给出较为明确的“失效尚未发生”这一结果(如>90％)。随着使用时间的增加，失效概率也随之增大，失效漏检成为关注焦点。当预测概率变为60％时，可以实施继电器的更换。
利用所使用的特性值330的变化以及特性值生成方法，训练数据记录410可用于检验何种特性值/方法/超参数组合能够在缩短剩余使用寿命并同时减少失效漏检方面实现最佳结果。
所得结果以试验数据记录420进行检验(见图4)。如果针对试验数据记录420的方法结果劣于针对训练数据记录410的方法结果，则说明所使用的方法对训练数据410存在过度拟合的问题。根据所使用的方法，可以采取相应对策，直至消除过度拟合问题。其中，所述检验应该始终以未知(新)数据记录进行。
当用于装置中时，针对每次切换，均记录信号。传递函数(a)320根据最后“k”次切换的信号310计算特性值330。成套分类法(b)341根据这些特性值330计算失效时切换次数，并将该失效时切换次数存于长度为“N”的FIFO 350中。随后，可以拒绝继续接收信号310及其特性值330。判定函数361针对FIFO 350中的所有变化均计算失效预测结果370：“失效”或“未失效”371。取决于应用程序的设置情况，人们可对预测结果370做出反应。
图4为根据一种实施方式的在基础继电器100失效预测方法400中进行算法调节和验证的示意图。
图4左半部分所示为根据实验室数据或实验室试验所得训练数据410进行算法调节的调节阶段401，图4右半部分所示为以其他实验室数据或实验室试验所得新试验数据420进行算法验证的验证阶段402或试验阶段。
在调节阶段401中，按照上述可测继电器变量和负载变量记录步骤，记录实验室试验所得训练数据410。其中，如以上已参考图2和图3详细描述的一样，使用k次切换311的测量数据以及继电器类型、生产数据等其他数据312。随后，如以上结合图3所述，通过机器学习算法321、继电器专业知识322及成套分类法341进行处理。最后，如以上结合图3所述，通过判定函数361，获得失效判定结果。
在验证阶段402或试验阶段，按照上述可测继电器变量和负载变量记录步骤，记录实验室试验所获新试验数据410。其中，如以上已参考图2和图3详细描述的一样，使用k次切换311的测量数据以及继电器类型、生产数据等其他数据312。随后，如以上结合图3所述，通过机器学习算法321、继电器专业知识322及成套分类法341进行处理。最后，如以上结合图3所述，通过判定函数361，获得失效判定结果。
调节阶段401和验证阶段402之间的区别仅在于使用不同的输入数据集。
在根据实验室数据对算法进行调节的调节阶段401中，进行迭代训练过程，包括：1、机器学习算法321和专业知识传递函数322的选择；2、算法训练；3、超参数优化。其中，使用以下优化基准(针对整个过程)：1、剩余寿命；2、失效漏检次数。
在以其他实验室数据进行算法验证的验证阶段402中，以已训练算法对新试验数据420进行处理，并根据优化基准，进行已训练算法的选择403。其中，机器学习算法321、专业知识322以及成套分类法341视为已训练算法。
在验证阶段402中，对整个过程及其组成要素进行检验，以防止训练数据的过度调节(“过度拟合”)。
图5为根据本发明的基础继电器100失效预测装置500的示意图。所述基础继电器例如为以上结合图1所述的基础继电器100。也就是说，其包括用于切换负载电路103的负载触点102的开关101以及用于驱动105开关101的励磁线圈或磁场线圈104。装置500包括检测装置501和确定装置502。
检测装置501用于例如按照图2至图4所示方式，检测基础继电器100的若干次切换内的基础继电器100的可测继电器变量和负载变量310。
确定装置502用于例如按照图2至图4所示方式，根据依机器学习算法503对所检测的继电器变量和负载变量310的加权情况，确定基础继电器100的特性值330。特性值330指明基础继电器100在各次切换中的功能状态。确定装置502还用于例如按照图2至图4所示方式，根据所确定的特性值330，确定基础继电器100的失效概率370。
在基础继电器100之外，本发明所描述的技术还可普遍应用于处理器、芯片、控制器、存储器、寄存器、输入/输出单元、计算机或机器元件等的电子元器件，以确定这些电子元器件的失效概率。

Claims (16)

1.一种基础继电器（100）失效预测的方法（200），其特征在于，所述方法（200）包括如下步骤：
在所述基础继电器（100）的若干次切换中，检测（201）所述基础继电器（100）的可测量的继电器变量和负载变量（310）；
根据机器学习算法（321）对所检测的继电器变量和负载变量（310）进行的加权，确定所述基础继电器（100）的特性值（330），其中，所述特性值（330）指明所述基础继电器（100）在各次切换中的功能状态；以及
根据所确定的特性值（330），确定（203）所述基础继电器（100）的失效概率（370），
其中，根据所述特性值（330）相对于切换次数的变化，确定（203）所述基础继电器（100）的失效概率（370）。
2.根据权利要求1所述的方法（200），其特征在于，所述机器学习算法（321）是基于包括基础继电器（100）在不同切换次数下的继电器变量和负载变量（310）的数据库，以及所述基础继电器（100）的所述继电器变量和负载变量（310）是基于包括不同负载（108）和继电器类型的记录。
3.根据权利要求2所述的方法（200），其特征在于，所述数据库还包括与各所述负载（108）和继电器类型下的所述基础继电器（100）的失效时切换次数、失效类型和/或失效原因相关的信息。
4. 根据权利要求3所述的方法（200），其特征在于，包括：
根据与所述基础继电器（100）的所述失效时切换次数、所述失效类型和/或所述失效原因相关的所述信息，识别所述特性值（330）；以及
确定根据可测量的所述继电器变量和负载变量（310）生成所述特性值（330）的第一传递函数（320）。
5.根据权利要求4所述的方法（200），其特征在于，所述特性值（330）与所述基础继电器（100）的所述失效原因和/或所述失效类型相关，和/或所述特性值（330）在失效前发生变化。
6.根据权利要求5所述的方法（200），其特征在于，所述特性值（330）包括所述基础继电器（100）的接触噪声、所述基础继电器（100）的线圈电流的波动以及/或者所述基础继电器（100）的切换时间。
7.根据权利要求1所述的方法（200），其特征在于，包括：
通过对所检测的继电器变量和负载变量（310）进行降维来生成通用变换，
其中，所述通用变换用于根据所述基础继电器（100）的未包含于所检测的继电器变量和负载变量（310）中的新继电器变量和负载变量，生成所述基础继电器（100）的所述特性值（330）。
8.根据权利要求7所述的方法（200），其特征在于，所述通用变换的生成包括如下步骤：
确定所检测的继电器变量和负载变量（310）的状态空间；
将所述状态空间变换至降维状态空间；以及
根据所述降维状态空间，确定所述通用变换。
9.根据权利要求1所述的方法（200），其特征在于，包括：
根据所述特性值（330），确定指明所述基础继电器（100）的多个类别特定的失效概率（351）的第二传递函数（340），
其中，每一个所述第二传递函数（340）均是基于所述特性值（330）的不同的类别（341）。
10.根据权利要求9所述的方法（200），其特征在于，包括：
从成套预定分类方法中选择用于确定所述第二传递函数（340）的相应的分类方法。
11.根据权利要求9所述的方法（200），其特征在于，包括：
根据所述基础继电器（100）的所述多个类别特定的失效概率（351），确定判定函数（361），其中，所述判定函数（361）将所述多个类别特定的失效概率（351）映射至所述失效概率（370）。
12.根据权利要求11所述的方法（200），其特征在于，包括：
根据多个超参数，对所述判定函数（361）进行参数化。
13.根据权利要求12所述的方法（200），其特征在于，所述多个超参数包括：
所述失效概率（370）的限值；
用于判定“失效”或“未失效”（371）结论的连续预测次数；以及
判定“失效”所需的平均连续预测次数。
14. 根据权利要求12或13所述的方法（200），其特征在于，包括：
根据所述基础继电器（100）的多次切换的第一数据记录中的切换次数，确定所述多个超参数；以及
相对于优化基准（403），调节所述多个超参数至符合所述基础继电器（100）的多次切换的第二数据集（420），
其中，所述优化基准（403）是基于所述基础继电器（100）的失效漏检次数和平均剩余使用寿命。
15.根据权利要求1所述的方法（200），其特征在于，包括：
以所述继电器变量和负载变量（310）的训练数据集（410）运行所述方法（200）；
根据与所述基础继电器（100）的失效漏检次数和平均剩余使用寿命有关的优化基准，调节所述训练数据集（410）的所述机器学习算法（321）；以及
以不同于所述训练数据集（410）的所述继电器变量和负载变量（310）的试验数据集，验证所述方法（200）。
16. 一种基础继电器（100）失效预测的装置（500），其特征在于，所述装置包括：
检测装置（501），所述检测装置用于在所述基础继电器（100）的若干次切换中，检测（201）所述基础继电器（100）的可测量的继电器变量和负载变量（310）；以及
确定装置（502），所述确定装置用于根据机器学习算法（503）对所检测的继电器变量和负载变量（310）进行的加权，确定所述基础继电器（100）的特性值（330），其中，所述特性值（330）指明所述基础继电器（100）在各次切换中的功能状态，并且用于根据所确定的特性值（330），确定（203）所述基础继电器（100）的失效概率（370），
其中，所述确定装置（502）还用于根据所述特性值（330）相对于切换次数的变化，确定（203）所述基础继电器（100）的失效概率（370）。
CN202010469070.7A 2019-05-28 2020-05-28 基础继电器失效预测技术 Active CN112016238B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019114211.3A DE102019114211A1 (de) 2019-05-28 2019-05-28 Techniken zur Ausfallvorhersage von Elementarrelais
DE102019114211.3 2019-05-28

Publications (2)

Publication Number Publication Date
CN112016238A CN112016238A (zh) 2020-12-01
CN112016238B true CN112016238B (zh) 2024-05-03

Family

ID=70616958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010469070.7A Active CN112016238B (zh) 2019-05-28 2020-05-28 基础继电器失效预测技术

Country Status (3)

Country Link
EP (1) EP3745229B1 (zh)
CN (1) CN112016238B (zh)
DE (1) DE102019114211A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112829794A (zh) * 2021-01-05 2021-05-25 株洲中车时代电气股份有限公司 接触器故障预警方法及相关装置
BE1029357B1 (de) * 2021-04-30 2022-12-05 Phoenix Contact Gmbh & Co Vorrichtung und Verfahren zum Erkennen einer Abnutzung einer elektromechanischen Einrichtung
DE102021207633A1 (de) * 2021-07-16 2023-01-19 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Überwachen von Kurzschluss-Schaltvorgängen einer Schaltung eines Steuergeräts
CN113687222A (zh) * 2021-08-24 2021-11-23 青岛理工大学 一种sf6断路器弧触头状态评估方法及系统
CN117169709A (zh) * 2023-10-09 2023-12-05 中国民航大学 一种航空继电器疲劳性能测试方法、装置及存储介质
CN117578739A (zh) * 2024-01-15 2024-02-20 希格玛电气(珠海)有限公司 一种柱上开关控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204065353U (zh) * 2014-08-20 2014-12-31 芜湖美的厨卫电器制造有限公司 继电器寿命测试装置
CN104635155A (zh) * 2015-03-11 2015-05-20 哈尔滨工业大学 基于Wiener过程的继电器可靠性评估方法
CN106446317A (zh) * 2016-06-01 2017-02-22 河北工业大学 一种基于数学模型的密封式继电器贮存寿命预测方法
KR20170033454A (ko) * 2015-09-16 2017-03-27 현대중공업 주식회사 디지털 보호 계전기
WO2018162198A1 (de) * 2017-03-08 2018-09-13 Siemens Aktiengesellschaft Verfahren und system zum bestimmen einer erwarteten lebensdauer eines elektrischen betriebsmittels

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101806861B (zh) * 2010-04-19 2012-02-15 哈尔滨工业大学 一种密封电磁继电器电接触失效类别判定方法
CN107884707B (zh) * 2017-09-30 2018-12-21 杨启蓓 高压断路器分合闸时间在线监测装置和方法
DE102017222361A1 (de) * 2017-09-29 2019-04-04 Siemens Aktiengesellschaft Verfahren und System zum akustischen Analysieren eines Stellwerkraums
CN108414864A (zh) * 2018-03-16 2018-08-17 贵州乌江水电开发有限责任公司东风发电厂 一种用于继电保护装置的故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204065353U (zh) * 2014-08-20 2014-12-31 芜湖美的厨卫电器制造有限公司 继电器寿命测试装置
CN104635155A (zh) * 2015-03-11 2015-05-20 哈尔滨工业大学 基于Wiener过程的继电器可靠性评估方法
KR20170033454A (ko) * 2015-09-16 2017-03-27 현대중공업 주식회사 디지털 보호 계전기
CN106446317A (zh) * 2016-06-01 2017-02-22 河北工业大学 一种基于数学模型的密封式继电器贮存寿命预测方法
WO2018162198A1 (de) * 2017-03-08 2018-09-13 Siemens Aktiengesellschaft Verfahren und system zum bestimmen einer erwarteten lebensdauer eines elektrischen betriebsmittels

Also Published As

Publication number Publication date
EP3745229A1 (de) 2020-12-02
DE102019114211A1 (de) 2020-12-03
CN112016238A (zh) 2020-12-01
EP3745229B1 (de) 2022-11-30

Similar Documents

Publication Publication Date Title
CN112016238B (zh) 基础继电器失效预测技术
JP7460864B2 (ja) 電力網アセットの状態分類を行うための方法および装置
JP6611370B2 (ja) 自動化システムの電気機械コンポーネントを監視するための方法、コンピュータプログラム、及び電気機械コンポーネント
Strangas et al. The effect of failure prognosis and mitigation on the reliability of permanent-magnet AC motor drives
CN107729985B (zh) 识别技术设施的过程异常的方法和相应的诊断系统
US7912669B2 (en) Prognosis of faults in electronic circuits
CN104749519A (zh) 一种基于相关性分析的有载调压变压器分接开关运行状态判断方法
CN114323671A (zh) 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备
CN111475925B (zh) 一种电力设备的状态评估方法、装置及存储介质
CN112084910A (zh) 故障诊断方法及系统
CN116994641A (zh) 一种半导体老化测试方法及其系统
CN116956187A (zh) 用于电源模块的故障预测方法、装置、存储介质及处理器
CN112628453A (zh) 电磁阀故障诊断方法、装置及燃气发动机
RU2703874C1 (ru) Способ контроля и прогнозирования работы газотурбинной установки с использованием матрицы дефектов
JP5178471B2 (ja) 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法
CN115270982A (zh) 一种基于多元数据神经网络的开关柜故障预测方法
CN115128442A (zh) 一种基于全寿命运行信息的断路器电寿命动态评价方法
CN113939888B (zh) 预测初级继电器故障的方法
JP2019113914A (ja) データ識別装置およびデータ識別方法
KR20210105196A (ko) 플랜트 고장 예지 장치 및 방법
Sree et al. Estimation of Remaining Useful Life (RUL) of BLDC motor using machine learning approaches
Jensen et al. Remaining useful life estimation of stator insulation using particle filter
CN117609927B (zh) 排碳机构的生产状态确定方法、装置与电子设备
Yu et al. GA based fault parameter identification for hybrid system with unknown mode changes
Srinivasan et al. Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant